[論文レビュー] Channel Estimation in Massive MIMO under Hardware Non-Linearities: Bayesian Methods versus Deep Learning

Özlem Tuğfe Demir, Emil Björnson|arXiv (Cornell University)|Nov 17, 2019

Advanced MIMO Systems Optimization参考文献 27被引用数 54

ひとこと要約

本稿では、基地局およびユーザー端末の両方で3次およびそれ以上の高次非線形性によって劣化する massive MIMO システムにおける、深層学習に基づくチャネルおよび歪み分散推定を提案する。有効チャネルと歪み相関の解析的モデルを活用して、教師ありフィードフォワードニューラルネットワークを訓練し、従来のベイジアン LMMSE 推定器を上回る性能を達成する。特にユーザー数が増加する際の性能向上が顕著であり、歪みの構造的性質を活用することで、独立したノイズとして扱うのではなく、歪みの相関構造を効果的に利用することで、NMSE と BER を顕著に低減する。

ABSTRACT

This paper considers the joint impact of non-linear hardware impairments at the base station (BS) and user equipments (UEs) on the uplink performance of single-cell massive MIMO (multiple-input multiple-output) in practical Rician fading environments. First, Bussgang decomposition-based effective channels and distortion characteristics are analytically derived and the spectral efficiency (SE) achieved by several receivers are explored for third-order non-linearities. Next, two deep feedforward neural networks are designed and trained to estimate the effective channels and the distortion variance at each BS antenna, which are used in signal detection. We compare the performance of the proposed methods with state-of-the-art distortion-aware and -unaware Bayesian linear minimum mean-squared error (LMMSE) estimators. The proposed deep learning approach improves the estimation quality by exploiting impairment characteristics, while LMMSE methods treat distortion as noise. Using the data generated by the derived effective channels for general order of non-linearities at both the BS and UEs, it is shown that the deep learning-based estimator provides better estimates of the effective channels also for non-linearities more than order three.

研究の動機と目的

• 基地局およびユーザー端末における非線形ハードウェアインパルメントの共同影響が上行 massive MIMO 性能に与える影響を明らかにすること。
• 任意の次数の準メモリレス多項式非線形性下での有効チャネルおよび歪み相関行列の解析的表現を導出すること。
• 歪みの構造を活用する深層学習ベースの推定器を設計し、歪みを独立した色付きノイズとして扱うのではなく、構造的性質を活用すること。
• 深層学習ベースの推定が、推定精度およびスルーレット効率の観点で、従来の LMMSE 推定器を顕著に上回ることを実証すること。
• 実用的な Rician fading 環境下で、さまざまな SNR およびユーザー数にわたる一般化性能を示すこと。

提案手法

• 基地局およびユーザー端末における3次非線形性を Bussgang 分解を用いてモデル化し、有効チャネルおよび歪み相関行列を導出する。
• 1次および2次チャネル統計を用いて、歪みを考慮した LMMSE チャネル推定の解析的表現を導出する。
• 合成データから得られたモデルに基づいて、2つの深層フィードフォワードニューラルネットワークを設計：1つは有効チャネル推定、もう1つは歪み分散推定。
• ネットワークを、歪みが目的信号に依存することを含む非線形歪みの完全な構造を活用するように訓練し、歪みを独立した色付きノイズとしてモデル化するのではなく、構造的性質を活用する。
• 準メモリレス多項式歪み（例：7次）へのモデルの一般化を行い、深層学習手法のロバストネスを検証する。
• 完全な CSI、LMMSE 推定値、深層学習ベース推定値を用いた複数の受信機（例：RZF、MMSE）を実装・比較し、BER およびスルーレット効率を評価する。

実験結果

リサーチクエスチョン

• RQ1 基地局およびユーザー端末における3次およびそれ以上の高次非線形性が、massive MIMO における有効チャネル推定にどのように影響を与えるか？
• RQ2 歪みを独立した色付きノイズとして扱う従来のベイジアン LMMSE 推定器と比較して、深層学習ベースの推定器は性能を上回るのか？
• RQ3 ユーザー数が増加する際、深層学習アプローチが歪みの構造的性質をどの程度活用するのか？
• RQ4 さまざまな SNR および非線形歪みの次数にわたって、深層学習ベースの推定器はどの程度ロバストか？
• RQ5 3次非線形性で訓練された深層学習モデルは、実用的な Rician fading 環境下で、異なる SNR 条件に一般化して良好に機能するか？

主な発見

• 深層学習ベースのチャネル推定器は、歪みを考慮した LMMSE 推定器および考慮しない LMMSE 推定器と比較して、特にユーザー数が増加する際、顕著に低い NMSE を達成する。
• K = 20 個の UE および 3次非線形性の下で、深層学習推定器は DuA-RZF（LMMSE）と比較して BER を 4〜10 倍低減し、DA-RZF（LMMSE）と比較して 1.5〜4 倍低減する。
• 深層学習ベースの歪み分散推定器は、LMMSE に基づく推定器と比較して、NMSE で 10 dB の改善（-20 dB から -30 dB へ）を達成する。
• 提案された深層学習ベースの推定器は、さまざまな SNR 水準で優れた性能を維持し、再訓練なしに良好に一般化する。
• 深層学習ベース推定値を用いた要素別 MMSE 受信機（EW-DA-MMSE）は、DA-RZF に LMMSE 推定を適用した場合と比較して、6番目および7番目の UE で BER を 10 倍以上低減する。
• 3次非線形性で訓練された深層学習モデルは、7次非線形性への歪みに対しても効果的に一般化し、高次インパルメントに対するロバストネスを示す。